Prediksi Harga Bahan Pokok Nasional dengan Metode Long Short Term Memory (LSTM) - Submit Journal/Konferensi
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Kalimantan
Author
Cahyani, Jumina
Subject
T Technology (General)
Datestamp
2022-07-06 01:18:03
Abstract :
Pada masa pandemi seperti saat ini, diperlukan suatu upaya untuk menjaga harga bahan pokok di Indonesia agar tetap stabil. Salah satu caranya adalah dengan meninjau dan memprediksi harga di masa depan sebagai bentuk antisipasi dalam menentukan kebijakan jika terjadi kenaikan harga bahan pokok. Penelitian ini memprediksi harga bahan pokok nasional dengan metode Long Short Term Memory (LSTM). LSTM ialah metode yang dikembangkan dari metode Reccurent Neural Network (RNN) untuk mengatasi masalah mengenai hilangnya gradien pada saat memperbarui bobot pada urutan data yang panjang. Uji coba kinerja pada prediksi harga bahan pokok menggunakan metode LSTM ini dilakukan perbandingan dengan metode RNN. Uji coba juga dilakukan pada penggunaan metode optimasi untuk mendapatkan model terbaik, yaitu ADAM, AdaGrad, dan RMSProp. Berdasarkan hasil penelitian, diperoleh bahwa kinerja metode LSTM lebih baik daripada RNN dalam prediksi harga bahan pokok. Model terbaik untuk prediksi harga daging ayam ras segar diperoleh dengan metode optimasi ADAM, komposisi dataset sebesar 70%:30%, nilai RMSE sebesar 0.0937 dan R2 Score sebesar 0.5949. Pada harga beras kualitas bawah II model terbaik diperoleh dengan metode ADAM dan RMSProp yang mana komposisi dataset nya sebesar 70%:30%, nilai RMSE sebesar 0.0492 dan R2 Score sebesar 0.8852. Pada harga minyak goreng didapatkan model terbaik dengan metode optimasi RMSProp, skenario pemisahan dataset sebesar 90%:10%, nilai RMSE sebesar 0.0313 dan R2 Score sebesar 0.7492. Sedangkan pada harga minyak goreng curah didapatkan model terbaik dengan metode ADAM dan skenario pemisahan dataset sebesar 80%:20%, nilai RMSE sebesar 0.0531 dan R2 Score sebesar 0.5308.
Pada masa pandemi seperti saat ini, diperlukan suatu upaya untuk menjaga harga bahan pokok di Indonesia agar tetap stabil. Salah satu caranya adalah dengan meninjau dan memprediksi harga di masa depan sebagai bentuk antisipasi dalam menentukan kebijakan jika terjadi kenaikan harga bahan pokok. Penelitian ini memprediksi harga bahan pokok nasional dengan metode Long Short Term Memory (LSTM). LSTM ialah metode yang dikembangkan dari metode Reccurent Neural Network (RNN) untuk mengatasi masalah mengenai hilangnya gradien pada saat memperbarui bobot pada urutan data yang panjang. Uji coba kinerja pada prediksi harga bahan pokok menggunakan metode LSTM ini dilakukan perbandingan dengan metode RNN. Uji coba juga dilakukan pada penggunaan metode optimasi untuk mendapatkan model terbaik, yaitu ADAM, AdaGrad, dan RMSProp. Berdasarkan hasil penelitian, diperoleh bahwa kinerja metode LSTM lebih baik daripada RNN dalam prediksi harga bahan pokok. Model terbaik untuk prediksi harga daging ayam ras segar diperoleh dengan metode optimasi ADAM, komposisi dataset sebesar 70%:30%, nilai RMSE sebesar 0.0937 dan R2 Score sebesar 0.5949. Pada harga beras kualitas bawah II model terbaik diperoleh dengan metode ADAM dan RMSProp yang mana komposisi dataset nya sebesar 70%:30%, nilai RMSE sebesar 0.0492 dan R2 Score sebesar 0.8852. Pada harga minyak goreng didapatkan model terbaik dengan metode optimasi RMSProp, skenario pemisahan dataset sebesar 90%:10%, nilai RMSE sebesar 0.0313 dan R2 Score sebesar 0.7492. Sedangkan pada harga minyak goreng curah didapatkan model terbaik dengan metode ADAM dan skenario pemisahan dataset sebesar 80%:20%, nilai RMSE sebesar 0.0531 dan R2 Score sebesar 0.5308.
File :
11181040_cover.pdf
11181040_abstract_id.pdf
11181040_chapter_1.pdf
11181040_chapter_2.pdf
11181040_chapter_3.pdf
11181040_chapter_4.pdf
11181040_conclusions.pdf
11181040_bibliography.pdf
11181040_enclosure.pdf
1118140_form020.pdf
111810140_paper.pdf
11181040_abstract_en.pdf
11181040_statement_of_authenticity.pdf
1118140_publishing_agreement.pdf
11181040_preface.pdf
11181040_approval_sheet.pdf
11181040_table_of_content.pdf
11181040_illustrations.pdf
11181040_tables.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
